# from google.colab import drive
# drive.mount('/content/gdrive')

#  cd /content/gdrive/MyDrive/Test_Data_Analyst

Read Dataset¶

import pandas as pd

df = pd.read_excel('Tes Data Analytics Analyst.xlsx',sheet_name='dataset')

#melihat info dari masing coloumn baik data type dan juga null value
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 513 entries, 0 to 512
Data columns (total 19 columns):
 #   Column                                  Non-Null Count  Dtype  
---  ------                                  --------------  -----  
 0   ID                                      513 non-null    int64  
 1   Kota_Kabupaten                          513 non-null    object 
 2   Provinsi                                505 non-null    object 
 3   Area                                    513 non-null    object 
 4   Regional                                513 non-null    object 
 5   Jumlah_Kelurahan_Desa                   513 non-null    object 
 6   PDRB                                    513 non-null    int64  
 7   PDRB_Per_Kapita                         513 non-null    int64  
 8   Indeks_Pembangunan_Manusia              513 non-null    float64
 9   Jumlah_Penduduk                         513 non-null    int64  
 10  Luas_Wilayah                            513 non-null    float64
 11  Dana_Alokasi_Umum                       513 non-null    int64  
 12  Pengeluaran_Riil_per_Kapita_ per_Tahun  513 non-null    float64
 13  Nilai_UMR                               513 non-null    object 
 14  Jumlah_Penduduk_Miskin                  513 non-null    float64
 15  Jumlah_Penduduk_Bekerja                 513 non-null    float64
 16  Pengguna_Internet                       513 non-null    int64  
 17  Pemilik_Ponsel                          507 non-null    float64
 18  Pengguna_Ponsel                         496 non-null    float64
dtypes: float64(7), int64(6), object(6)
memory usage: 76.3+ KB

Apakah ada Variabel yang memiliki Duplicate/Missing/Anomaly Values?¶

Untuk Nama Provinsi yang null harus dan juga Jumlah_Kelurahan_Desa di anotasi secara manual¶

# Data Awal Provinsi yg Null
df[df.Provinsi.isnull()]

#setelah di anotasi secara manual data provinsi sudah tidak ada yg null
new_df = pd.read_excel('Tes Data Analytics Analyst_Rev1.xlsx',sheet_name='dataset') 
new_df[new_df.Provinsi.isnull()]

# Terlihat masih ada data yg null di kolom Pemilik_Ponsel & Pengguna_Ponsel
new_df.isnull().sum()

ID                                         0
Kota_Kabupaten                             0
Provinsi                                   0
Area                                       0
Regional                                   0
Jumlah_Kelurahan_Desa                      0
PDRB                                       0
PDRB_Per_Kapita                            0
Indeks_Pembangunan_Manusia                 0
Jumlah_Penduduk                            0
Luas_Wilayah                               0
Dana_Alokasi_Umum                          0
Pengeluaran_Riil_per_Kapita_ per_Tahun     0
Nilai_UMR                                  0
Jumlah_Penduduk_Miskin                     0
Jumlah_Penduduk_Bekerja                    0
Pengguna_Internet                          0
Pemilik_Ponsel                             6
Pengguna_Ponsel                           17
dtype: int64

#Kolom yg null tersebut saya isi dengan data rata2 dari masing2 kolom
new_df.Pemilik_Ponsel.fillna(new_df.Pemilik_Ponsel.mean(),inplace=True)
new_df.Pengguna_Ponsel.fillna(new_df.Pengguna_Ponsel.mean(),inplace=True)
new_df.isnull().sum()

ID                                        0
Kota_Kabupaten                            0
Provinsi                                  0
Area                                      0
Regional                                  0
Jumlah_Kelurahan_Desa                     0
PDRB                                      0
PDRB_Per_Kapita                           0
Indeks_Pembangunan_Manusia                0
Jumlah_Penduduk                           0
Luas_Wilayah                              0
Dana_Alokasi_Umum                         0
Pengeluaran_Riil_per_Kapita_ per_Tahun    0
Nilai_UMR                                 0
Jumlah_Penduduk_Miskin                    0
Jumlah_Penduduk_Bekerja                   0
Pengguna_Internet                         0
Pemilik_Ponsel                            0
Pengguna_Ponsel                           0
dtype: int64

# Tidak ada duplicated data
new_df[new_df.duplicated()]

#di column Nilai_UMR ada data yg nilai datanya 'no data'
kolom = new_df.columns
new_df[new_df[kolom].values == 'no data']

# Dibeberapa kolom seperti Dana_Alokasi_Umum, Nilai_UMR, Jumlah_Penduduk_Bekerja ada yg nilainya 0 ini perlu di isi rata2nya
new_df[new_df[kolom].values == 0]

# merubah 'no data' menjadi 0 kemudian type datanya jadi int
new_df.Nilai_UMR.replace('no data','0',inplace=True)
new_df['Nilai_UMR'] = new_df.Nilai_UMR.astype(int)
#Merubah data2 dengan nilai yg bernilai anomali dengan nilai rata2nya
new_df.Nilai_UMR.replace(0,int(new_df.Nilai_UMR.mean()),inplace=True)
new_df[new_df.Nilai_UMR.values == 0]

new_df[new_df.Dana_Alokasi_Umum.values == 0]

#Merubah nilai 0 menjadi rata2 dari Dana_Alokasi_Umum
new_df.Dana_Alokasi_Umum.replace(0,int(new_df.Dana_Alokasi_Umum.mean()),inplace=True)
new_df[new_df.Dana_Alokasi_Umum.values == 0]

new_df[new_df.Jumlah_Penduduk_Bekerja == 0]

#Merubah nilai 0 menjadi rata2 dari Jumlah_Penduduk_Bekerja
new_df['Jumlah_Penduduk_Bekerja'] = new_df.Jumlah_Penduduk_Bekerja.astype(int)
new_df.Jumlah_Penduduk_Bekerja.replace(0,int(new_df.Jumlah_Penduduk_Bekerja.mean()),inplace=True)
new_df[new_df.Jumlah_Penduduk_Bekerja == 0]

#Memastikan lagi bahwa sudah tidak ada data yg bernilai 0
new_df[new_df[kolom].values == 0]

Berapa jumlah Total Kelurahan dan Desa dalam suatu Kota/Kabupaten?¶

#Mensplit data keluran dan desa dari kolom Jumlah_Kelurahan_Desa
new_df['Jumlah_Kelurahan'] = new_df.Jumlah_Kelurahan_Desa.str.split('/',expand=True)[0]
new_df['Jumlah_Desa'] = new_df.Jumlah_Kelurahan_Desa.str.split('/',expand=True)[1]

Jumlah Kelurahan¶

new_df.Jumlah_Kelurahan.replace('-',0,inplace=True)
new_df.Jumlah_Kelurahan = new_df.Jumlah_Kelurahan.astype(int)
new_df.Jumlah_Kelurahan.sum()

8492

Jumlah Desa¶

new_df.Jumlah_Desa.replace('-',0,inplace=True)
new_df.Jumlah_Desa = new_df.Jumlah_Desa.astype(int)
new_df.Jumlah_Desa.sum()

75215

new_df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 513 entries, 0 to 512
Data columns (total 21 columns):
 #   Column                                  Non-Null Count  Dtype  
---  ------                                  --------------  -----  
 0   ID                                      513 non-null    int64  
 1   Kota_Kabupaten                          513 non-null    object 
 2   Provinsi                                513 non-null    object 
 3   Area                                    513 non-null    object 
 4   Regional                                513 non-null    object 
 5   Jumlah_Kelurahan_Desa                   513 non-null    object 
 6   PDRB                                    513 non-null    int64  
 7   PDRB_Per_Kapita                         513 non-null    int64  
 8   Indeks_Pembangunan_Manusia              513 non-null    float64
 9   Jumlah_Penduduk                         513 non-null    int64  
 10  Luas_Wilayah                            513 non-null    float64
 11  Dana_Alokasi_Umum                       513 non-null    int64  
 12  Pengeluaran_Riil_per_Kapita_ per_Tahun  513 non-null    float64
 13  Nilai_UMR                               513 non-null    int32  
 14  Jumlah_Penduduk_Miskin                  513 non-null    float64
 15  Jumlah_Penduduk_Bekerja                 513 non-null    int32  
 16  Pengguna_Internet                       513 non-null    int64  
 17  Pemilik_Ponsel                          513 non-null    float64
 18  Pengguna_Ponsel                         513 non-null    float64
 19  Jumlah_Kelurahan                        513 non-null    int32  
 20  Jumlah_Desa                             513 non-null    int32  
dtypes: float64(6), int32(4), int64(6), object(5)
memory usage: 76.3+ KB

# Merubah type data float menjadi integer kecuali kolom Indeks_Pembangunan_Manusia
new_df[['Luas_Wilayah','Pengeluaran_Riil_per_Kapita_ per_Tahun','Jumlah_Penduduk_Miskin','Pemilik_Ponsel','Pengguna_Ponsel']] = \
new_df[['Luas_Wilayah','Pengeluaran_Riil_per_Kapita_ per_Tahun','Jumlah_Penduduk_Miskin','Pemilik_Ponsel','Pengguna_Ponsel']].astype(int)

new_df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 513 entries, 0 to 512
Data columns (total 21 columns):
 #   Column                                  Non-Null Count  Dtype  
---  ------                                  --------------  -----  
 0   ID                                      513 non-null    int64  
 1   Kota_Kabupaten                          513 non-null    object 
 2   Provinsi                                513 non-null    object 
 3   Area                                    513 non-null    object 
 4   Regional                                513 non-null    object 
 5   Jumlah_Kelurahan_Desa                   513 non-null    object 
 6   PDRB                                    513 non-null    int64  
 7   PDRB_Per_Kapita                         513 non-null    int64  
 8   Indeks_Pembangunan_Manusia              513 non-null    float64
 9   Jumlah_Penduduk                         513 non-null    int64  
 10  Luas_Wilayah                            513 non-null    int32  
 11  Dana_Alokasi_Umum                       513 non-null    int64  
 12  Pengeluaran_Riil_per_Kapita_ per_Tahun  513 non-null    int32  
 13  Nilai_UMR                               513 non-null    int32  
 14  Jumlah_Penduduk_Miskin                  513 non-null    int32  
 15  Jumlah_Penduduk_Bekerja                 513 non-null    int32  
 16  Pengguna_Internet                       513 non-null    int64  
 17  Pemilik_Ponsel                          513 non-null    int32  
 18  Pengguna_Ponsel                         513 non-null    int32  
 19  Jumlah_Kelurahan                        513 non-null    int32  
 20  Jumlah_Desa                             513 non-null    int32  
dtypes: float64(1), int32(9), int64(6), object(5)
memory usage: 66.3+ KB

Men save data yg sudah bersih ke file baru¶

#Mendrop kolom Jumlah_Kelurahan_Desa
new_df = new_df.drop(columns=['Jumlah_Kelurahan_Desa'])

new_df.to_excel('Data_Bersih.xlsx',index=False)

Regional mana yang memiliki PDRB tertinggi? Provinsi apa yang memiliki PDRB tertinggi pada setiap Regional?¶

new_df.sort_values(by='PDRB',ascending=False).head(1)

new_df.sort_values(by='PDRB_Per_Kapita',ascending=False).head(1)

Bisa dengan cara berikut untuk mencari nilai tertinggi¶

new_df.groupby(['Regional','Provinsi',])['PDRB'].sum().sort_values(ascending=False)

Regional    Provinsi           
Jabo Inner  DKI Jakarta            2853021
Jatim       Jawa Timur             2374628
Jabar       Jawa Barat             2146593
Jateng      Jawa Tengah            1361301
Sumbagut    Sumatera Utara          793275
Sumbagteng  Riau                    769433
Jabo Outer  Banten                  669366
Kalimantan  Kalimantan Timur        653800
Sulawesi    Sulawesi Selatan        505578
Sumbagsel   Sumatera Selatan        458731
Lampung     Lampung                 364248
Sumbagteng  Kepulauan Riau          262984
Balnus      Bali                    253835
Sumbagteng  Sumatera Barat          246397
Sumbagsel   Jambi                   220736
Kalimantan  Kalimantan Barat        214075
Malpua      Papua                   190786
Kalimantan  Kalimantan Selatan      182365
Sulawesi    Sulawesi Tengah         167523
Sumbagut    Aceh                    165262
Kalimantan  Kalimantan Tengah       150538
Jateng      Yogyakarta              141432
Balnus      Nusa Tenggara Barat     133486
Sulawesi    Sulawesi Utara          130620
            Sulawesi Tenggara       129825
Balnus      Nusa Tenggara Timur     108103
Kalimantan  Kalimantan Utara         96407
Malpua      Papua Barat              84954
Sumbagsel   Bangka Belitung          76518
            Bengkulu                 72086
Malpua      Maluku                   46737
Sulawesi    Sulawesi Barat           46417
            Gorontalo                41328
Malpua      Maluku Utara             40181
Sumbagut    Sumatra Utara            13933
Name: PDRB, dtype: int64

new_df.groupby(['Regional','Provinsi',])['PDRB_Per_Kapita'].sum().sort_values(ascending=False)

Regional    Provinsi           
Jatim       Jawa Timur             2278860
Jabo Inner  DKI Jakarta            2014676
Kalimantan  Kalimantan Timur       1817625
Jateng      Jawa Tengah            1433973
Sumbagut    Sumatera Utara         1418644
Malpua      Papua                  1364773
Sumbagteng  Riau                   1356967
Sulawesi    Sulawesi Selatan       1162517
Sumbagteng  Kepulauan Riau         1146428
Jabar       Jawa Barat             1114778
Malpua      Papua Barat            1071420
Sumbagteng  Sumatera Barat          887673
Kalimantan  Kalimantan Tengah       788895
Sulawesi    Sulawesi Tenggara       784653
            Sulawesi Tengah         765938
Sumbagsel   Sumatera Selatan        740989
            Jambi                   712928
Sumbagut    Aceh                    709204
Kalimantan  Kalimantan Utara        701377
Sulawesi    Sulawesi Utara          662824
Lampung     Lampung                 598183
Kalimantan  Kalimantan Selatan      579888
            Kalimantan Barat        551076
Jabo Outer  Banten                  544255
Balnus      Bali                    489327
            Nusa Tenggara Timur     406485
Sumbagsel   Bangka Belitung         368461
Balnus      Nusa Tenggara Barat     347799
Sumbagsel   Bengkulu                338569
Malpua      Maluku Utara            308472
            Maluku                  283484
Sulawesi    Gorontalo               203722
Jateng      Yogyakarta              202978
Sulawesi    Sulawesi Barat          199249
Sumbagut    Sumatra Utara            54572
Name: PDRB_Per_Kapita, dtype: int64

Area mana yang memiliki Jumlah Pengguna Ponsel terbanyak? Apa alasannya menurut Anda?¶

Area 3 karena Jumlah_Penduduk,Jumlah_Penduduk_Bekerja tinggi dan juga Pengeluaran_Riil_perKapita per_Tahun kecil¶

new_df.groupby(['Area',])['Pengguna_Ponsel'].sum().sort_values(ascending=False)

Area
Area 3    54661796
Area 2    50184038
Area 1    42391449
Area 4    37554871
Area 5    10800138
Name: Pengguna_Ponsel, dtype: int32

new_df.groupby(['Area',])['Jumlah_Penduduk'].sum().sort_values(ascending=False)

Area
Area 3    80850450
Area 2    70740812
Area 1    58557211
Area 4    44936926
Area 5    14963062
Name: Jumlah_Penduduk, dtype: int64

new_df.groupby(['Area',])['Jumlah_Penduduk_Bekerja'].sum().sort_values(ascending=False)

Area
Area 3    40773467
Area 2    32114381
Area 1    29058091
Area 4    19439478
Area 5     8894828
Name: Jumlah_Penduduk_Bekerja, dtype: int32

Bagaimana perbandingan distribusi data Pengeluaran Riil/kapita/tahun pada setiap Area?¶

import plotly.express as px

fig = px.scatter(data_frame=new_df,x='Kota_Kabupaten',y='Pengeluaran_Riil_per_Kapita_ per_Tahun',
             color='Area',width=1200,hover_data=['Kota_Kabupaten','Pengeluaran_Riil_per_Kapita_ per_Tahun','Provinsi'])

fig.show()

Melihat grafik persebaran data Pengeluaran_Riil_perKapita per_Tahun selain DKI¶

df_except_jakarta = new_df[new_df.Provinsi.str.contains('DKI Jakarta') == False]
fig = px.bar(data_frame=df_except_jakarta,x='Provinsi',y='Pengeluaran_Riil_per_Kapita_ per_Tahun',
             color='Area',width=1200,hover_data=['Kota_Kabupaten','Pengeluaran_Riil_per_Kapita_ per_Tahun','Provinsi'])

fig.show()

fig = px.box(data_frame=df_except_jakarta,x='Provinsi',y='Pengeluaran_Riil_per_Kapita_ per_Tahun',
             color='Area',width=1200,hover_data=['Kota_Kabupaten','Pengeluaran_Riil_per_Kapita_ per_Tahun','Provinsi'])

fig.show()

Dari grafik di atas terlihat jika persebaran data Pengeluaran_Riil_perKapita per_Tahun tidak merata antar kabupaten khususnya Provinsi DKI Jakarta¶

Area apa yang jumlah Outliers pada Indeks Pembangunan Manusianya paling banyak, dan Kota/Kabupaten mana saja yang menjadi Outliers pada tiap Area? Apa alasannya menurut Anda?¶

fig = px.box(data_frame=new_df,x='Provinsi',y='Indeks_Pembangunan_Manusia',
             color='Area',width=1200,hover_data=['Kota_Kabupaten','Provinsi'])

fig.show()

Dari Boxplot di atas jawabannya Provinsi Jambi & Sulawesi Selatan¶

fig = px.bar(data_frame=new_df.sort_values(by='PDRB',ascending=False),x='Kota_Kabupaten',y='PDRB',
             color='Provinsi',width=2000,hover_data=['Kota_Kabupaten','PDRB','Provinsi'],)

fig.show()

fig = px.bar(data_frame=new_df.sort_values(by='PDRB_Per_Kapita',ascending=False),x='Kota_Kabupaten',y='PDRB_Per_Kapita',
             color='Provinsi',width=2000,hover_data=['Kota_Kabupaten','PDRB_Per_Kapita','Provinsi'],)

fig.show()

fig = px.bar(data_frame=new_df.sort_values(by='Jumlah_Penduduk_Bekerja',ascending=False),x='Kota_Kabupaten',y='Jumlah_Penduduk_Bekerja',
             color='Provinsi',width=2000,hover_data=['Kota_Kabupaten','Jumlah_Penduduk_Bekerja','Provinsi'],)

fig.show()

fig = px.bar(data_frame=new_df.sort_values(by='Jumlah_Penduduk_Miskin',ascending=False),x='Kota_Kabupaten',y='Jumlah_Penduduk_Miskin',
             color='Provinsi',width=2000,hover_data=['Kota_Kabupaten','Jumlah_Penduduk_Miskin','Provinsi'],)

fig.show()

fig = px.bar(data_frame=new_df.sort_values(by='Pengguna_Internet',ascending=False),x='Kota_Kabupaten',y='Pengguna_Internet',
             color='Provinsi',width=2000,hover_data=['Kota_Kabupaten','Provinsi'],)

fig.show()

fig = px.bar(data_frame=new_df.sort_values(by='Pengguna_Ponsel',ascending=False),x='Kota_Kabupaten',y='Pengguna_Ponsel',
             color='Provinsi',width=2000,hover_data=['Kota_Kabupaten','Provinsi'],)

fig.show()

fig = px.bar(data_frame=new_df.sort_values(by='Pemilik_Ponsel',ascending=False),x='Kota_Kabupaten',y='Pemilik_Ponsel',
             color='Provinsi',width=2000,hover_data=['Kota_Kabupaten','Provinsi','Indeks_Pembangunan_Manusia'],)

fig.show()

px.scatter_matrix(data_frame=new_df,height=3000,width=4000,color='Indeks_Pembangunan_Manusia')

#Untuk Jambi kabupaten Jabung timur kenapa index pembangunan manusianya rendah karena berhubungan dengan jumlah pengguna internet
#untuk

# px.sunburst(data_frame=new_df,color='Indeks_Pembangunan_Manusia',names='Provinsi',values='Jumlah_Penduduk')

Regional mana yang memiliki UMR dengan mean dan median tertinggi? Adakah kaitan UMR dengan Jumlah Penduduk Miskin dan Penduduk Bekerja?¶

UMR_Mean = new_df.groupby(['Regional','Kota_Kabupaten'])['Nilai_UMR'].mean().sort_values(ascending=False).reset_index()
UMR_Mean

px.bar(UMR_Mean,x='Kota_Kabupaten',y='Nilai_UMR',color='Regional')

UMR_Med = new_df.groupby(['Regional','Kota_Kabupaten'])['Nilai_UMR'].median().sort_values(ascending=False).reset_index()
UMR_Med

px.bar(UMR_Med,x='Kota_Kabupaten',y='Nilai_UMR',color='Regional')

px.scatter(data_frame=new_df[['Kota_Kabupaten','Nilai_UMR','Jumlah_Penduduk_Miskin','Jumlah_Penduduk_Bekerja','Regional']],x='Nilai_UMR',y='Jumlah_Penduduk_Miskin',
           hover_data=['Kota_Kabupaten'],color='Regional')

px.scatter(data_frame=new_df[['Kota_Kabupaten','Nilai_UMR','Jumlah_Penduduk_Miskin','Jumlah_Penduduk_Bekerja','Regional']],x='Nilai_UMR',y='Jumlah_Penduduk_Bekerja',
           hover_data=['Kota_Kabupaten'],color='Regional')

#Dari grafik di atas tidak ada korelasi antara UMR dengan Jumlah Penduduk Miskin dengan jumlah penduduk bekerja

Selain Jumlah Pemilik Ponsel, variabel apa saja yang paling memiliki korelasi tinggi terhadap Jumlah Pengguna Ponsel?¶

new_df.corr()

px.scatter_matrix(data_frame=new_df[['Pengguna_Ponsel','Jumlah_Penduduk', 'Dana_Alokasi_Umum', 'Jumlah_Penduduk_Miskin', 'Jumlah_Penduduk_Bekerja', 'Pengguna_Internet', 'Pemilik_Ponsel']],
                  height=2000)

Pengguna Ponsel memiliki korelasi dengan Jumlah_Penduduk, Dana_Alokasi_Umum, Jumlah_Penduduk_Miskin, Jumlah_Penduduk_Bekerja, Pengguna_Internet, Pemilik_Ponsel¶

Apakah jumlah Pengguna Ponsel di suatu Area berkorelasi dengan Jumlah Kelurahan/Desa dan Kepadatan Penduduknya?¶

#Membuat kolom baru Kepadtan Penduduk
new_df['Kepadatan_Penduduk'] = new_df.Jumlah_Penduduk / new_df.Luas_Wilayah

KepadatanPenduduk = new_df.groupby(['Area','Jumlah_Kelurahan','Jumlah_Desa','Kepadatan_Penduduk'])['Pengguna_Ponsel'].sum().reset_index()

KepadatanPenduduk.corr()

px.scatter(data_frame=KepadatanPenduduk,x='Kepadatan_Penduduk',y='Pengguna_Ponsel',
           color='Area',facet_col='Area')

px.scatter(data_frame=KepadatanPenduduk,x='Jumlah_Desa',y='Pengguna_Ponsel',
           color='Area',facet_col='Area')

px.scatter(data_frame=KepadatanPenduduk,x='Jumlah_Kelurahan',y='Pengguna_Ponsel',
           color='Area',facet_col='Area')

#Kepadatan Penduduk dengan pengguna ponsel ada korelasi 0.450904

Mengapa nilai korelasi antara PDRB vs Pengguna Ponsel berbeda jauh dengan PDRB Per Kapita vs Pengguna Ponsel?¶

new_df[['PDRB','PDRB_Per_Kapita','Pengguna_Ponsel']].corr()

a = new_df[['PDRB','PDRB_Per_Kapita','Pengguna_Ponsel']]

#Normalisasi data PDRB_Per_Kapita
New_PDRB_Per_Kapita = []
for x in a.values:
  if x[1] > x[0]:
    hasil = x[1] / 10
    New_PDRB_Per_Kapita.append(hasil)
  else:
    New_PDRB_Per_Kapita.append(x[1])

a['New_PDRB_Per_Kapita'] = New_PDRB_Per_Kapita
a.corr()

C:\Users\root\Anaconda3\lib\site-packages\ipykernel_launcher.py:1: SettingWithCopyWarning:


A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy

px.scatter_matrix(data_frame=a[['PDRB','New_PDRB_Per_Kapita','Pengguna_Ponsel']],height=1000)

#Data PDRB_Per_Kapita perlu di normaliasi

Menambahkan kolom baru New_PDRB_Per_Kapita ke dalam new_df kemudian di save ke excel¶

new_df['New_PDRB_Per_Kapita'] = New_PDRB_Per_Kapita
new_df.to_excel('Data_Bersih.xlsx',index=False)

	ID	Kota_Kabupaten	Provinsi	Area	Regional	Jumlah_Kelurahan_Desa	PDRB	PDRB_Per_Kapita	Indeks_Pembangunan_Manusia	Jumlah_Penduduk	Luas_Wilayah	Dana_Alokasi_Umum	Pengeluaran_Riil_per_Kapita_ per_Tahun	Nilai_UMR	Jumlah_Penduduk_Miskin	Jumlah_Penduduk_Bekerja	Pengguna_Internet	Pemilik_Ponsel	Pengguna_Ponsel
98	99	Kota Pematang Siantar	NaN	Area 1	Sumbagut	53/-	13933	54572	78.75	268254	55.66	569499118	12372.0	2501519	21.23	137927.0000	131927	174297.0	223081.0
167	168	Kab. Pandeglang	NaN	Area 2	Jabo Outer	13/326	28324	23371	65.00	1272687	2746.89	1125384369	8572.0	2758909	120.44	481092.0000	69118	584482.0	768914.0
175	176	Kota Cirebon	NaN	Area 2	Jabar	22/-	23457	73461	74.89	333303	37.36	548788411	11397.0	2.21949e+06	30.61	138667.0000	200741	217464.0	272425.0
235	236	Kab. Bantul	NaN	Area 3	Jateng	-/75	26345	25869	80.01	985770	506.86	931996005	15517.0	1790500	138.66	579229.0000	625056	610016.0	735376.0
237	238	Kab. Blora	NaN	Area 3	Jateng	24/271	25977	30031	68.84	884333	1821.59	883338891	9795.0	1834000	103.73	468013.0000	395900	474448.0	196591.0
261	262	Kota Kediri	NaN	Area 3	Jatim	46/-	139253	484513	78.23	286796	63.40	582747476	11976.0	2060925	22.19	142122.0000	188988	222760.0	222760.0
332	333	Kab. Buton Selatan	NaN	Area 4	Sulawesi	70	2937	36356	64.93	95261	509.92	339720973	7263.0	1864454	11.50	30615.0000	26023	47800.0	NaN
338	339	Kab. Maybrat	NaN	Area 4	Malpua	1/259	737	18029	59.52	42991	5461.69	410834045	5336.0	3184225	12.80	22676.1725	7628	22726.0	26647.0

	ID	Kota_Kabupaten	Provinsi	Area	Regional	Jumlah_Kelurahan_Desa	PDRB	PDRB_Per_Kapita	Indeks_Pembangunan_Manusia	Jumlah_Penduduk	Luas_Wilayah	Dana_Alokasi_Umum	Pengeluaran_Riil_per_Kapita_ per_Tahun	Nilai_UMR	Jumlah_Penduduk_Miskin	Jumlah_Penduduk_Bekerja	Pengguna_Internet	Pemilik_Ponsel	Pengguna_Ponsel
14	15	Kab. Nias Selatan	Sumatera Utara	Area 1	Sumbagut	3/457	6861	21449	61.89	360531	1825.20	628496268	6974.0	no data	53.88	165452.0	63645	123047.0	169852.0
20	21	Kab. Nias Barat	Sumatera Utara	Area 1	Sumbagut	-/105	1817	20955	61.51	89994	473.73	333762307	5830.0	no data	22.33	27785.0	15817	31381.0	46847.0
58	59	Kab. Pakpak Bharat	Sumatera Utara	Area 1	Sumbagut	-/52	1178	24077	67.59	52351	1218.30	324896653	8170.0	no data	4.59	29879.0	15355	23429.0	36435.0
311	312	Kab. Siau Tagulandang Biaro	Sulawesi Utara	Area 4	Sulawesi	10/83	2367	35642	67.64	71817	275.86	368894458	8080.0	no data	5.95	33638.0	24927	38466.0	56826.0
325	326	Kab. Banggai Kepulauan	Sulawesi Tengah	Area 4	Sulawesi	3/141	4037	34096	65.42	120142	2488.79	446343684	7545.0	no data	16.70	63278.0	33587	52586.0	69133.0
326	327	Kota Manado	Sulawesi Utara	Area 4	Sulawesi	87/-	37387	86217	78.93	451916	157.27	718105042	13886.0	no data	25.55	171155.0	284622	335246.0	356579.0
327	328	Kab. Minahasa Utara	Sulawesi Utara	Area 4	Sulawesi	6/126	13819	67864	73.90	224993	918.49	478884543	11405.0	no data	14.33	88401.0	110279	143931.0	167802.0
331	332	Kab. Bolaang Mongondow Timur	Sulawesi Utara	Area 4	Sulawesi	-/81	2879	39761	65.99	88241	910.18	329834100	8998.0	no data	4.30	34770.0	35248	48490.0	57591.0
333	334	Kab. Bolaang Mongondow	Sulawesi Utara	Area 4	Sulawesi	2/200	8010	32325	67.89	248751	2871.65	520863307	10128.0	no data	18.07	111901.0	84566	124991.0	160575.0
335	336	Kota Kotamobagu	Sulawesi Utara	Area 4	Sulawesi	18/15	3695	28777	72.97	123722	68.06	361109537	10744.0	no data	7.06	61109.0	65503	78963.0	93459.0
337	338	Kab. Bolaang Mongondow Selatan	Sulawesi Utara	Area 4	Sulawesi	-/81	2084	31540	65.00	69791	1615.86	333549036	8837.0	no data	8.53	28510.0	21005	31317.0	43023.0
340	341	Kab. Kepulauan Sangihe	Sulawesi Utara	Area 4	Sulawesi	22/145	4248	32388	70.73	139262	461.11	504778603	11427.0	no data	14.64	64335.0	47996	78483.0	101319.0
342	343	Kab. Minahasa Tenggara	Sulawesi Utara	Area 4	Sulawesi	9/135	5112	47821	70.51	116323	710.83	388590506	10408.0	no data	13.73	49627.0	49843	59928.0	78888.0
351	352	Kab. Minahasa Selatan	Sulawesi Utara	Area 4	Sulawesi	10/167	8601	40824	72.11	236463	1409.97	512617579	11481.0	no data	19.38	103336.0	104453	138919.0	177422.0
352	353	Kab. Bolaang Mongondow Utara	Sulawesi Utara	Area 4	Sulawesi	1/106	2488	30976	66.99	83112	1680.00	354425767	9062.0	no data	6.82	35832.0	29772	41192.0	53649.0
355	356	Kab. Minahasa	Sulawesi Utara	Area 4	Sulawesi	43/227	17120	50178	75.29	347290	1114.87	628991615	12395.0	no data	24.95	158771.0	183580	233812.0	279231.0
365	366	Kota Palu	Sulawesi Tengah	Area 4	Sulawesi	46/-	24816	63405	81.47	373218	395.06	650829309	15074.0	no data	26.89	202467.0	252690	265113.0	316987.0
376	377	Kota Tomohon	Sulawesi Utara	Area 4	Sulawesi	44/-	4291	40139	76.69	100587	114.20	402379553	11745.0	no data	6.06	46336.0	57713	67960.0	77939.0
378	379	Kab. Toli-Toli	Sulawesi Tengah	Area 4	Sulawesi	6/103	8545	36239	65.69	225154	4079.77	588276474	8017.0	no data	30.51	113898.0	85136	114334.0	154687.0
383	384	Kab. Banggai Laut	Sulawesi Tengah	Area 4	Sulawesi	3/63	2437	32493	65.43	70435	725.67	390476710	7810.0	no data	11.09	36528.0	18946	31913.0	36216.0
399	400	Kab. Kepulauan Talaud	Sulawesi Utara	Area 4	Sulawesi	11/142	2210	23902	69.40	94521	1240.40	466829170	8505.0	no data	8.84	55459.0	28141	47985.0	66608.0
404	405	Kota Bitung	Sulawesi Utara	Area 4	Sulawesi	69/-	16309	74470	74.10	225134	302.89	475308720	12193.0	no data	14.18	91622.0	123307	154154.0	174037.0
413	414	Kab. Poso	Sulawesi Tengah	Area 4	Sulawesi	28/141	9506	37075	71.28	244875	7112.25	685769750	8936.0	no data	40.20	147614.0	98784	142206.0	190665.0
426	427	Kab. Tojo Una-Una	Sulawesi Tengah	Area 4	Sulawesi	12/134	5713	37099	64.59	163829	5721.15	552080735	7608.0	no data	25.43	83898.0	45935	73269.0	97295.0
428	429	Kab. Sigi	Sulawesi Tengah	Area 4	Sulawesi	-/176	8987	37537	68.12	257585	5196.02	589752115	8236.0	no data	30.00	123819.0	82130	119021.0	161306.0
434	435	Kab. Donggala	Sulawesi Tengah	Area 4	Sulawesi	9/158	12261	40317	65.56	300436	4275.08	627024200	8106.0	no data	53.17	138929.0	94344	139603.0	191854.0

	ID	Kota_Kabupaten	Provinsi	Area	Regional	Jumlah_Kelurahan_Desa	PDRB	PDRB_Per_Kapita	Indeks_Pembangunan_Manusia	Jumlah_Penduduk	Luas_Wilayah	Dana_Alokasi_Umum	Pengeluaran_Riil_per_Kapita_ per_Tahun	Nilai_UMR	Jumlah_Penduduk_Miskin	Jumlah_Penduduk_Bekerja	Pengguna_Internet	Pemilik_Ponsel	Pengguna_Ponsel
0	1	Kota Sungai Penuh	Jambi	Area 1	Sumbagsel	4/65	7488	82367	75.42	96610	391.50	414326985	10248.00	0	2.78	4.180600e+04	46893	5.940700e+04	72385.0
3	4	Kab. Kepahiang	Bengkulu	Area 1	Sumbagsel	12/105	4321	31498	68.17	149737	665.00	403631660	9273.00	0	20.27	0.000000e+00	54865	8.098100e+04	96905.0
3	4	Kab. Kepahiang	Bengkulu	Area 1	Sumbagsel	12/105	4321	31498	68.17	149737	665.00	403631660	9273.00	0	20.27	0.000000e+00	54865	8.098100e+04	96905.0
4	5	Kab. Kerinci	Jambi	Area 1	Sumbagsel	2/285	10123	42413	71.21	250259	3355.27	570389068	9995.00	0	17.48	1.180800e+05	28639	1.607140e+05	187258.0
7	8	Kab. Rejang Lebong	Bengkulu	Area 1	Sumbagsel	34/122	9370	35914	70.44	276645	1639.98	566437095	10234.00	0	41.47	0.000000e+00	105399	1.463400e+05	192097.0
7	8	Kab. Rejang Lebong	Bengkulu	Area 1	Sumbagsel	34/122	9370	35914	70.44	276645	1639.98	566437095	10234.00	0	41.47	0.000000e+00	105399	1.463400e+05	192097.0
17	18	Kab. Seluma	Bengkulu	Area 1	Sumbagsel	20/182	4603	23752	66.89	207877	2400.44	477383614	8220.00	0	36.23	0.000000e+00	66410	1.007580e+05	135296.0
17	18	Kab. Seluma	Bengkulu	Area 1	Sumbagsel	20/182	4603	23752	66.89	207877	2400.44	477383614	8220.00	0	36.23	0.000000e+00	66410	1.007580e+05	135296.0
21	22	Kota Jambi	Jambi	Area 1	Sumbagsel	62/-	30856	51024	78.37	606200	103.54	690724772	12056.00	0	50.44	2.863870e+05	130319	4.805750e+05	480575.0
24	25	Kab. Kaur	Bengkulu	Area 1	Sumbagsel	3/192	3524	29075	66.99	126551	2369.05	415365742	8593.00	0	22.57	0.000000e+00	37221	6.103500e+04	74000.0
24	25	Kab. Kaur	Bengkulu	Area 1	Sumbagsel	3/192	3524	29075	66.99	126551	2369.05	415365742	8593.00	0	22.57	0.000000e+00	37221	6.103500e+04	74000.0
28	29	Kab. Tanjung Jabung Barat	Jambi	Area 1	Sumbagsel	20/114	43303	129676	67.54	317498	4649.85	490342499	9480.00	0	34.79	1.661790e+05	21910	1.737730e+05	220457.0
29	30	Kab. Merangin	Jambi	Area 1	Sumbagsel	10/205	15377	39538	69.19	354052	7679.00	669437069	10279.00	0	33.92	1.875230e+05	27518	1.859290e+05	218049.0
33	34	Kab. Bengkulu Selatan	Bengkulu	Area 1	Sumbagsel	16/142	5701	35992	70.63	166249	1186.10	525650342	9837.00	0	28.41	0.000000e+00	57714	9.238900e+04	130128.0
33	34	Kab. Bengkulu Selatan	Bengkulu	Area 1	Sumbagsel	16/142	5701	35992	70.63	166249	1186.10	525650342	9837.00	0	28.41	0.000000e+00	57714	9.238900e+04	130128.0
42	43	Kab. Tanjung Jabung Timur	Jambi	Area 1	Sumbagsel	20/73	24696	112263	64.43	229813	5445.00	523900364	9026.00	0	24.23	1.137730e+05	13151	1.282220e+05	158385.0
46	47	Kab. Lebong	Bengkulu	Area 1	Sumbagsel	11/93	3346	28698	67.01	106293	1921.82	377859122	11124.00	0	13.97	0.000000e+00	35763	4.917400e+04	64761.0
46	47	Kab. Lebong	Bengkulu	Area 1	Sumbagsel	11/93	3346	28698	67.01	106293	1921.82	377859122	11124.00	0	13.97	0.000000e+00	35763	4.917400e+04	64761.0
49	50	Kota Bengkulu	Bengkulu	Area 1	Sumbagsel	67/-	23201	60241	80.36	373591	151.70	649681045	13938.00	0	69.12	0.000000e+00	246784	2.579420e+05	320307.0
49	50	Kota Bengkulu	Bengkulu	Area 1	Sumbagsel	67/-	23201	60241	80.36	373591	151.70	649681045	13938.00	0	69.12	0.000000e+00	246784	2.579420e+05	320307.0
54	55	Kab. Bengkulu Utara	Bengkulu	Area 1	Sumbagsel	5/215	8253	26622	68.82	296523	4324.60	590458935	10263.00	0	36.67	0.000000e+00	104019	1.475260e+05	197894.0
54	55	Kab. Bengkulu Utara	Bengkulu	Area 1	Sumbagsel	5/215	8253	26622	68.82	296523	4324.60	590458935	10263.00	0	36.67	0.000000e+00	104019	1.475260e+05	197894.0
56	57	Kab. Bengkulu Tengah	Bengkulu	Area 1	Sumbagsel	1/142	4607	40164	67.61	116706	1223.94	409476286	9392.00	0	10.79	0.000000e+00	43787	5.909300e+04	81051.0
56	57	Kab. Bengkulu Tengah	Bengkulu	Area 1	Sumbagsel	1/142	4607	40164	67.61	116706	1223.94	409476286	9392.00	0	10.79	0.000000e+00	43787	5.909300e+04	81051.0
59	60	Kab. Tebo	Jambi	Area 1	Sumbagsel	5/107	14621	41245	69.14	337669	6461.00	536524337	10389.00	0	22.47	1.763550e+05	134940	2.463430e+05	246343.0
62	63	Kab. Mukomuko	Bengkulu	Area 1	Sumbagsel	3/148	5160	26613	68.45	190498	4036.70	460324684	10266.00	0	23.10	0.000000e+00	73493	1.326340e+05	132634.0
62	63	Kab. Mukomuko	Bengkulu	Area 1	Sumbagsel	3/148	5160	26613	68.45	190498	4036.70	460324684	10266.00	0	23.10	0.000000e+00	73493	1.326340e+05	132634.0
82	83	Kab. Batanghari	Jambi	Area 1	Sumbagsel	14/110	16466	60340	69.84	301700	5804.00	571897802	9825.00	0	26.54	1.149830e+05	122832	2.099270e+05	209927.0
94	95	Kab. Muaro Jambi	Jambi	Area 1	Sumbagsel	5/150	24403	55041	69.18	402017	5326.00	631350550	8556.00	0	17.30	1.844650e+05	165790	2.794860e+05	279486.0
99	100	Kab. Bungo	Jambi	Area 1	Sumbagsel	12/141	18047	48156	69.92	362363	4659.00	602613586	11471.00	0	22.07	1.670750e+05	141959	2.557810e+05	255781.0
104	105	Kab. Sarolangun	Jambi	Area 1	Sumbagsel	9/149	15356	50865	69.86	290047	6184.00	539027521	11616.00	0	25.79	1.351560e+05	108246	2.076150e+05	207615.0
107	108	Kab. Belitung	Bangka Belitung	Area 1	Sumbagsel	7/42	9870	51994	72.51	182079	2293.61	463002382	13554.00	0	12.07	8.220000e+04	96279	1.257700e+05	144562.0
109	110	Kota Pangkal Pinang	Bangka Belitung	Area 1	Sumbagsel	42/-	13703	64417	78.22	218569	89.40	434574143	15663.00	0	9.40	8.457500e+04	150108	1.501080e+05	181433.0
136	137	Kab. Belitung Timur	Bangka Belitung	Area 1	Sumbagsel	-/39	7728	59644	70.92	127018	2506.91	423426747	11730.00	0	8.56	5.825900e+04	63528	7.507500e+04	95788.0
137	138	Kab. Bangka	Bangka Belitung	Area 1	Sumbagsel	19/62	13794	40891	72.40	326265	2950.68	500682611	12416.00	0	15.41	1.321280e+05	153273	1.987930e+05	247399.0
139	140	Kab. Bangka Selatan	Bangka Belitung	Area 1	Sumbagsel	3/50	8676	41321	66.90	198189	3607.08	442497090	11757.00	0	7.49	8.874000e+04	79133	1.096420e+05	141819.0
142	143	Kab. Bangka Barat	Bangka Belitung	Area 1	Sumbagsel	4/60	14168	66466	69.08	204612	2820.61	427997278	12233.00	0	5.83	8.421900e+04	80592	1.147680e+05	140989.0
144	145	Kab. Bangka Tengah	Bangka Belitung	Area 1	Sumbagsel	7/56	8579	43728	70.45	198946	2155.77	426219372	12909.00	0	9.64	7.410200e+04	86518	1.131730e+05	153919.0
156	157	Kota Jakarta Pusat	DKI Jakarta	Area 2	Jabo Inner	44/-	705614	760271	81.39	1056896	48.13	0	2009108.88	4267349	41.92	4.095890e+05	744900	7.674280e+05	856753.0
160	161	Kota Jakarta Selatan	DKI Jakarta	Area 2	Jabo Inner	65/-	648231	286233	84.72	2226812	141.27	0	2625288.26	4267349	78.09	1.011605e+06	578643	1.669822e+06	1839014.0
166	167	Kota Jakarta Timur	DKI Jakarta	Area 2	Jabo Inner	65/-	492191	167534	82.66	3037139	188.03	0	1958914.61	4267349	122.73	1.257752e+06	684548	2.137043e+06	2444334.0
168	169	Kota Jakarta Barat	DKI Jakarta	Area 2	Jabo Inner	56/-	473843	182956	81.38	2434511	129.54	0	2144621.63	4267349	110.90	1.148244e+06	484357	1.715385e+06	1938554.0
171	172	Kota Cimahi	Jawa Barat	Area 2	Jabar	15/-	32226	52459	77.83	568400	39.27	542550698	11921.00	0	31.64	2.725530e+05	390392	3.950770e+05	449614.0
176	177	Kota Jakarta Utara	DKI Jakarta	Area 2	Jabo Inner	31/-	525173	289684	80.29	1778981	146.66	0	1995226.70	4267349	123.59	8.220760e+05	1210851	1.211341e+06	1378947.0
192	193	Kab. Kepulauan Seribu	DKI Jakarta	Area 2	Jabo Inner	6/-	7969	327998	71.63	27749	8.70	0	1122234.55	4267349	3.63	9.985000e+03	14095	1.478800e+04	17697.0
207	208	Kota Malang	Jawa Timur	Area 3	Jatim	57/-	72773	83581	81.45	843810	145.28	810812876	16158.00	0	38.77	4.377370e+05	607673	6.661770e+05	666177.0
212	213	Kab. Brebes	Jawa Tengah	Area 3	Jateng	5/292	46215	25546	66.11	1978759	1902.37	1261293035	10238.00	0	308.78	8.210610e+05	875802	1.377380e+06	1377380.0
236	237	Kab. Demak	Jawa Tengah	Area 3	Jateng	6/243	26184	22518	72.22	1203956	900.12	875987653	10344.00	0	146.87	5.746020e+05	577369	7.837620e+05	783762.0
266	267	Kota Salatiga	Jawa Tengah	Area 3	Jateng	23/-	13316	68609	83.14	192322	57.36	427568712	15944.00	0	9.69	1.020530e+05	136573	1.559020e+05	155902.0
364	365	Kab. Pangkajene dan Kepulauan	Sulawesi Selatan	Area 4	Sulawesi	38/65	25990	77464	68.72	345775	1236.27	715539546	11405.00	0	47.12	1.391730e+05	142786	1.964410e+05	266664.0
380	381	Kab. Majene	Sulawesi Barat	Area 4	Sulawesi	20/62	4973	28601	66.91	174407	947.84	496316515	10056.00	0	24.12	7.980220e+04	59473	3.051188e+05	124222.0
391	392	Kab. Seram Bagian Barat	Maluku	Area 4	Malpua	0/92	3002	17497	65.62	209856	5033.38	567548852	8690.00	0	43.15	8.459500e+04	49945	9.029700e+04	116492.0
393	394	Kab. Melawi	Kalimantan Barat	Area 4	Kalimantan	0/169	5187	24885	65.55	228270	10640.80	559720948	8332.00	0	25.34	4.593900e+04	54682	8.902400e+04	108164.0
405	406	Kab. Hulu Sungai Utara	Kalimantan Selatan	Area 4	Kalimantan	5/214	4954	20854	65.59	226727	892.70	457931491	9527.00	0	14.72	1.132050e+05	92481	1.644890e+05	164118.0
411	412	Kab. Manokwari	Papua Barat	Area 4	Malpua	9/164	10078	57532	72.01	192663	3186.28	501716434	12207.00	0	35.92	8.522522e+04	102397	1.255560e+05	144052.0
456	457	Kab. Paser	Kalimantan Timur	Area 4	Kalimantan	5/139	48176	168509	72.04	275452	7730.88	384896323	10344.00	0	26.77	1.377370e+05	137228	9.449200e+04	137203.0
498	499	Kota Kupang	Nusa Tenggara Timur	Area 5	Balnus	51/-	24559	56462	79.71	442758	180.27	623856772	13337.00	0	39.72	3.476410e+05	287506	2.964220e+05	368629.0

	ID	Kota_Kabupaten	Provinsi	Area	Regional	Jumlah_Kelurahan_Desa	PDRB	PDRB_Per_Kapita	Indeks_Pembangunan_Manusia	Jumlah_Penduduk	Luas_Wilayah	Pengeluaran_Riil_per_Kapita_ per_Tahun	Nilai_UMR	Jumlah_Penduduk_Miskin	Jumlah_Penduduk_Bekerja	Pengguna_Internet	Pemilik_Ponsel	Pengguna_Ponsel
156	157	Kota Jakarta Pusat	DKI Jakarta	Area 2	Jabo Inner	44/-	705614	760271	81.39	1056896	48.13	2009108.88	4267349	41.92	409589.0	744900	767428.0	856753.0
160	161	Kota Jakarta Selatan	DKI Jakarta	Area 2	Jabo Inner	65/-	648231	286233	84.72	2226812	141.27	2625288.26	4267349	78.09	1011605.0	578643	1669822.0	1839014.0
166	167	Kota Jakarta Timur	DKI Jakarta	Area 2	Jabo Inner	65/-	492191	167534	82.66	3037139	188.03	1958914.61	4267349	122.73	1257752.0	684548	2137043.0	2444334.0
168	169	Kota Jakarta Barat	DKI Jakarta	Area 2	Jabo Inner	56/-	473843	182956	81.38	2434511	129.54	2144621.63	4267349	110.90	1148244.0	484357	1715385.0	1938554.0
176	177	Kota Jakarta Utara	DKI Jakarta	Area 2	Jabo Inner	31/-	525173	289684	80.29	1778981	146.66	1995226.70	4267349	123.59	822076.0	1210851	1211341.0	1378947.0
192	193	Kab. Kepulauan Seribu	DKI Jakarta	Area 2	Jabo Inner	6/-	7969	327998	71.63	27749	8.70	1122234.55	4267349	3.63	9985.0	14095	14788.0	17697.0

	ID	Kota_Kabupaten	Provinsi	Area	Regional	Jumlah_Kelurahan_Desa	PDRB	PDRB_Per_Kapita	Indeks_Pembangunan_Manusia	Jumlah_Penduduk	Luas_Wilayah	Dana_Alokasi_Umum	Pengeluaran_Riil_per_Kapita_ per_Tahun	Nilai_UMR	Jumlah_Penduduk_Miskin	Pengguna_Internet	Pemilik_Ponsel	Pengguna_Ponsel
3	4	Kab. Kepahiang	Bengkulu	Area 1	Sumbagsel	12/105	4321	31498	68.17	149737	665.00	403631660	9273.0	2490882	20.27	54865	80981.0	96905.0
7	8	Kab. Rejang Lebong	Bengkulu	Area 1	Sumbagsel	34/122	9370	35914	70.44	276645	1639.98	566437095	10234.0	2490882	41.47	105399	146340.0	192097.0
17	18	Kab. Seluma	Bengkulu	Area 1	Sumbagsel	20/182	4603	23752	66.89	207877	2400.44	477383614	8220.0	2490882	36.23	66410	100758.0	135296.0
24	25	Kab. Kaur	Bengkulu	Area 1	Sumbagsel	3/192	3524	29075	66.99	126551	2369.05	415365742	8593.0	2490882	22.57	37221	61035.0	74000.0
33	34	Kab. Bengkulu Selatan	Bengkulu	Area 1	Sumbagsel	16/142	5701	35992	70.63	166249	1186.10	525650342	9837.0	2490882	28.41	57714	92389.0	130128.0
46	47	Kab. Lebong	Bengkulu	Area 1	Sumbagsel	11/93	3346	28698	67.01	106293	1921.82	377859122	11124.0	2490882	13.97	35763	49174.0	64761.0
49	50	Kota Bengkulu	Bengkulu	Area 1	Sumbagsel	67/-	23201	60241	80.36	373591	151.70	649681045	13938.0	2490882	69.12	246784	257942.0	320307.0
54	55	Kab. Bengkulu Utara	Bengkulu	Area 1	Sumbagsel	5/215	8253	26622	68.82	296523	4324.60	590458935	10263.0	2490882	36.67	104019	147526.0	197894.0
56	57	Kab. Bengkulu Tengah	Bengkulu	Area 1	Sumbagsel	1/142	4607	40164	67.61	116706	1223.94	409476286	9392.0	2490882	10.79	43787	59093.0	81051.0
62	63	Kab. Mukomuko	Bengkulu	Area 1	Sumbagsel	3/148	5160	26613	68.45	190498	4036.70	460324684	10266.0	2490882	23.10	73493	132634.0	132634.0

	Regional	Kota_Kabupaten	Nilai_UMR
0	Jabar	Kab. Karawang	4594324
1	Jabar	Kota Bekasi	4589708
2	Jabar	Kab. Bekasi	4498961
3	Jabo Inner	Kota Jakarta Pusat	4267349
4	Jabo Inner	Kab. Kepulauan Seribu	4267349
...	...	...	...
508	Sulawesi	Kab. Kolaka Utara	1323610
509	Sulawesi	Kab. Buton Utara	1300328
510	Sulawesi	Kab. Muna Barat	1161283
511	Sulawesi	Kab. Muna	1102807
512	Sulawesi	Kab. Buton Tengah	942427

	ID	PDRB	PDRB_Per_Kapita	Indeks_Pembangunan_Manusia	Jumlah_Penduduk	Luas_Wilayah	Dana_Alokasi_Umum	Pengeluaran_Riil_per_Kapita_ per_Tahun	Nilai_UMR	Jumlah_Penduduk_Miskin	Jumlah_Penduduk_Bekerja	Pengguna_Internet	Pemilik_Ponsel	Pengguna_Ponsel	Jumlah_Kelurahan	Jumlah_Desa
ID	1.000000	-0.146372	-0.026450	-0.197277	-0.223412	0.139308	-0.180636	-0.065458	-0.100353	-0.178880	-0.221005	-0.188235	-0.222993	-0.209471	-0.088595	-0.124872
PDRB	-0.146372	1.000000	0.566991	0.368471	0.621570	-0.058960	0.341459	0.732544	0.276607	0.357188	0.611170	0.592351	0.628433	0.649501	0.458050	-0.063050
PDRB_Per_Kapita	-0.026450	0.566991	1.000000	0.318724	0.061931	0.139648	-0.068822	0.468782	0.221679	-0.093539	0.044490	0.125052	0.087520	0.091263	0.208878	-0.237098
Indeks_Pembangunan_Manusia	-0.197277	0.368471	0.318724	1.000000	0.260165	-0.175041	0.110825	0.200143	0.015051	0.028405	0.279400	0.344751	0.326447	0.318559	0.518657	-0.338871
Jumlah_Penduduk	-0.223412	0.621570	0.061931	0.260165	1.000000	-0.131177	0.844211	0.238573	0.058191	0.859788	0.981933	0.859397	0.958763	0.960001	0.329860	0.304533
Luas_Wilayah	0.139308	-0.058960	0.139648	-0.175041	-0.131177	1.000000	0.006746	-0.052670	0.133903	-0.117883	-0.150983	-0.114209	-0.131128	-0.136824	-0.153337	0.097159
Dana_Alokasi_Umum	-0.180636	0.341459	-0.068822	0.110825	0.844211	0.006746	1.000000	-0.001184	-0.060798	0.834299	0.820713	0.672676	0.782137	0.785831	0.256887	0.496895
Pengeluaran_Riil_per_Kapita_ per_Tahun	-0.065458	0.732544	0.468782	0.200143	0.238573	-0.052670	-0.001184	1.000000	0.209343	0.063120	0.214518	0.146718	0.299608	0.280906	0.152155	-0.129865
Nilai_UMR	-0.100353	0.276607	0.221679	0.015051	0.058191	0.133903	-0.060798	0.209343	1.000000	-0.102887	0.039498	0.140519	0.083569	0.029975	0.049664	0.000591
Jumlah_Penduduk_Miskin	-0.178880	0.357188	-0.093539	0.028405	0.859788	-0.117883	0.834299	0.063120	-0.102887	1.000000	0.844840	0.646922	0.782929	0.789946	0.116522	0.491443
Jumlah_Penduduk_Bekerja	-0.221005	0.611170	0.044490	0.279400	0.981933	-0.150983	0.820713	0.214518	0.039498	0.844840	1.000000	0.852048	0.947258	0.943609	0.343405	0.281663
Pengguna_Internet	-0.188235	0.592351	0.125052	0.344751	0.859397	-0.114209	0.672676	0.146718	0.140519	0.646922	0.852048	1.000000	0.855355	0.874557	0.431783	0.102596
Pemilik_Ponsel	-0.222993	0.628433	0.087520	0.326447	0.958763	-0.131128	0.782137	0.299608	0.083569	0.782929	0.947258	0.855355	1.000000	0.957787	0.372652	0.229209
Pengguna_Ponsel	-0.209471	0.649501	0.091263	0.318559	0.960001	-0.136824	0.785831	0.280906	0.029975	0.789946	0.943609	0.874557	0.957787	1.000000	0.389275	0.231967
Jumlah_Kelurahan	-0.088595	0.458050	0.208878	0.518657	0.329860	-0.153337	0.256887	0.152155	0.049664	0.116522	0.343405	0.431783	0.372652	0.389275	1.000000	-0.322088
Jumlah_Desa	-0.124872	-0.063050	-0.237098	-0.338871	0.304533	0.097159	0.496895	-0.129865	0.000591	0.491443	0.281663	0.102596	0.229209	0.231967	-0.322088	1.000000